Broadcom está ganando en la división de chips de IA entre AMD y Google

Broadcom ha convertido la disputa entre AMD y Google por los chips de IA en una carrera distinta, en la que suministrar silicio personalizado puede importar más que vender aceleradores de marca.

Nvidia sigue dominando los aceleradores de IA comerciales, mientras AMD amplía su cartera Instinct como principal alternativa. Google sigue otra vía con las Tensor Processing Units, o TPU, diseñadas en torno a sus propias cargas de trabajo. Broadcom se beneficia cuando los grandes operadores de nube deciden que ninguno de los proveedores estándar de GPU satisface por completo todas las necesidades de infraestructura.

Eso no convierte a Broadcom en el ganador indiscutible. Nvidia sigue generando muchos más ingresos de centros de datos, y AMD ofrece a los clientes una segunda plataforma de GPU creíble. El cambio es que Broadcom puede crecer sin desplazar a ninguna de las dos compañías en todo el mercado.

Su oportunidad se encuentra en los aceleradores personalizados, las redes Ethernet, la conectividad de chips y el diseño de sistemas. Esos componentes se vuelven más valiosos a medida que los laboratorios de IA construyen clústeres en torno a cargas de trabajo que conocen bien. Por ello, Broadcom compite menos por la atención de los desarrolladores y más por un lugar dentro de las hojas de ruta de infraestructura.

Los ingresos de IA de Broadcom han dejado de ser un negocio secundario

Los últimos resultados de Broadcom muestran que los chips de IA personalizados y las redes se han convertido en motores centrales de crecimiento, no en líneas de producto experimentales.

Broadcom reportó ingresos de 22.200 millones de dólares en el segundo trimestre fiscal de 2026, un 48 por ciento más que el año anterior. Los ingresos de semiconductores asociados a la IA alcanzaron los 10.800 millones de dólares, un aumento del 143 por ciento.

El consejero delegado, Hock Tan, atribuyó ese crecimiento a los aceleradores de IA personalizados y a las redes de IA. La empresa esperaba que los ingresos de semiconductores de IA del tercer trimestre alcanzaran los 16.000 millones de dólares, lo que representaría un crecimiento superior al 200 por ciento frente al periodo comparable.

Estas cifras proceden directamente de los resultados trimestrales de Broadcom. También aclaran por qué los inversores describen cada vez más a Broadcom como una empresa de hardware de IA.

Un acelerador realiza las operaciones matemáticas intensivas utilizadas para entrenar o ejecutar un modelo de IA. Nvidia y AMD suelen vender aceleradores compatibles con muchos clientes, modelos y entornos de software.

Broadcom sigue un modelo diferente. Ayuda a clientes seleccionados a crear procesadores específicos para sus cargas de trabajo, a menudo denominados XPU o circuitos integrados de aplicación específica. Estos chips sacrifican parte de su versatilidad para centrarse en un conjunto más limitado de operaciones.

El cliente posee la estrategia de carga de trabajo, mientras Broadcom aporta ingeniería, interfaces, conectividad y experiencia de producción. Este acuerdo puede acortar el camino entre un diseño interno de chip y un sistema desplegable.

Las redes constituyen la segunda mitad de la oportunidad. Un modelo grande no se ejecuta en un solo procesador, por lo que miles de aceleradores deben intercambiar datos con baja latencia.

Broadcom vende tecnología de conmutación y conectividad Ethernet para ese tráfico. Por tanto, puede participar tanto en la capa de cálculo como en la red que une esos cálculos.

Esta combinación explica por qué sus ingresos reportados de IA crecen más rápido de lo que sugeriría una simple historia de chips personalizados. Cada despliegue mayor de aceleradores también genera demanda de switches, enlaces ópticos y componentes de soporte.

El modelo difiere de la plataforma estrechamente integrada de Nvidia. Nvidia combina GPU, interconexiones NVLink, productos de red, sistemas, bibliotecas y herramientas para desarrolladores bajo una sola marca.

Broadcom, en cambio, respalda una infraestructura que su cliente desea controlar. Sus productos se convierten en ingredientes dentro de un sistema que lleva la identidad de Google, Meta, Anthropic u otro operador.

Esa posición ofrece menos visibilidad pública. También reduce la necesidad de convencer a millones de desarrolladores para adoptar un nuevo entorno de programación propietario.

El crecimiento de Broadcom no demuestra que los chips personalizados sustituirán a las GPU. Muestra que los hyperscalers ahora consideran la aceleración personalizada como una estrategia de producción digna de inversión plurianual.

Los resultados de la empresa también contienen una advertencia importante. Un proveedor que atiende a un número limitado de clientes hyperscale puede experimentar cambios bruscos cuando un despliegue se desplaza entre trimestres.

Broadcom depende de que los clientes diseñen modelos con éxito, aseguren capacidad de centros de datos y mantengan sus planes internos de chips. Sus ingresos pueden crecer rápidamente, pero su concentración crea riesgos de negociación y previsión.

Aun así, las últimas cifras cambiaron la carga de la prueba. Los aceleradores de IA personalizados ya no necesitan demostrar que existe un mercado real. La pregunta es cuánto del próximo ciclo de infraestructura pueden captar.

Por qué la división de hardware entre AMD y Google favorece a Broadcom

La división entre AMD y Google representa dos filosofías de compra distintas, y Broadcom se beneficia cuando los operadores de nube eligen la propiedad frente a la generalidad.

Los aceleradores Instinct de AMD siguen el modelo de GPU comercial. Los clientes compran un procesador estandarizado respaldado por la pila de software ROCm de AMD y luego lo utilizan en distintas cargas de trabajo de entrenamiento e inferencia.

Las TPU de Google parten de otra premisa. Google diseña hardware, compiladores, modelos, redes y centros de datos como partes de un sistema coordinado.

Esa distinción convierte la expresión AMD Google en algo más que una incómoda comparación entre dos nombres de chips. Describe una elección estratégica a la que se enfrenta todo gran comprador de infraestructura de IA.

Una opción es adquirir un acelerador flexible de Nvidia o AMD. La otra consiste en diseñar hardware especializado en torno a cargas de trabajo conocidas y conservar un mayor control sobre el sistema resultante.

La serie MI350 de AMD incluye hasta 288 gigabytes de memoria HBM3E y ocho terabytes por segundo de ancho de banda de memoria. HBM es memoria apilada situada cerca del acelerador para acelerar el movimiento de datos.

La empresa posiciona los sistemas MI350 para entrenamiento, inferencia y computación de alto rendimiento. Sus especificaciones de aceleradores también destacan la compatibilidad con software abierto y despliegues de servidores estándar.

Esa flexibilidad importa a los proveedores de nube y empresas que atienden a muchos clientes. No siempre pueden predecir qué modelos, formatos numéricos o marcos de desarrollo dominarán la demanda futura.

Google se enfrenta a un cálculo diferente porque controla importantes cargas de trabajo internas. Search, publicidad, Gemini, YouTube y Google Cloud generan una enorme demanda recurrente con patrones operativos identificables.

Un procesador personalizado se vuelve más atractivo cuando su propietario puede mantenerlo ocupado. Una alta utilización distribuye los costes de diseño entre un gran volumen de computación.

La TPU Ironwood de séptima generación de Google ilustra este enfoque. Google afirma que Ironwood ofrece más de cuatro veces el rendimiento por chip de Trillium para entrenamiento e inferencia.

Google también afirma que un pod Ironwood puede conectar 9.216 chips. Cada procesador contiene 192 GiB de memoria de alto ancho de banda, mientras que un sistema completo ofrece 1,77 petabytes.

Ironwood utiliza XLA, un compilador que traduce las operaciones del modelo en instrucciones optimizadas para el hardware de Google. Ese codesarrollo de hardware y software puede eliminar sobrecarga que una plataforma general debe conservar para lograr una compatibilidad más amplia.

La contribución exacta de Broadcom a cada generación de TPU de Google no se detalla por completo en las divulgaciones públicas. Los informes han vinculado a las compañías durante mucho tiempo, pero ninguna publica una división completa de responsabilidades de ingeniería.

Esa laguna importa. Broadcom no debería recibir todo el mérito por procesadores que Google describe como diseñados a medida, porque Google aporta conocimientos cruciales de arquitectura, software y cargas de trabajo.

La conclusión defendible es más limitada. Broadcom ha construido un negocio ayudando a operadores hyperscale a convertir planes de aceleradores personalizados en grandes despliegues.

Esto sitúa a Broadcom entre el comprador y la fundición. No necesita poseer el modelo del cliente, el servicio en la nube ni la plataforma para desarrolladores.

La empresa también puede respaldar varias hojas de ruta personalizadas sin presentar un acelerador público como respuesta para cada carga de trabajo. Esa cartera distribuye su exposición entre distintos laboratorios de IA.

AMD debe convencer a los clientes de que su plataforma común ofrece suficiente rendimiento, disponibilidad y madurez de software. Google debe demostrar que su pila integrada justifica las limitaciones de una arquitectura más especializada.

Broadcom capta la demanda creada por el segundo argumento. Cuando un hyperscaler decide que la diferenciación requiere silicio propio, Broadcom se convierte en un posible socio de ingeniería.

Por eso la división entre AMD y Google crea una oportunidad mayor de lo que sugiere una simple prueba comparativa de GPU. La verdadera disputa se refiere a quién controla la arquitectura y quién obtiene ingresos por construirla.

El silicio personalizado cambia la competencia con Nvidia

Broadcom no necesita vencer directamente a la plataforma de GPU de Nvidia porque el silicio personalizado transforma la economía de las cargas de trabajo repetidas y predecibles.

La posición de Nvidia sigue siendo formidable. Sus ingresos de centros de datos del ejercicio fiscal 2026 alcanzaron los 193.700 millones de dólares, un incremento del 68 por ciento respecto al año anterior.

Solo los ingresos de centros de datos del cuarto trimestre alcanzaron los 62.300 millones de dólares. Esos resultados financieros muestran por qué declarar desplazada a Nvidia ignoraría la escala del mercado.

Nvidia suministra más que un procesador. El software CUDA, las bibliotecas optimizadas, las redes, los sistemas de referencia y la amplia disponibilidad en la nube reducen la fricción de despliegue para los desarrolladores.

Esa amplitud hace valiosa a Nvidia cuando las cargas de trabajo cambian rápidamente. Un grupo de investigación que explora una nueva arquitectura suele preferir hardware adaptable y herramientas de desarrollo conocidas.

El silicio personalizado se vuelve más convincente cuando una carga de trabajo se estabiliza. Un operador puede eliminar funciones que rara vez utiliza y dedicar más área del chip a cálculos frecuentes.

La inferencia ofrece un caso especialmente relevante. La inferencia es el proceso de ejecutar un modelo entrenado para generar predicciones, respuestas, imágenes u otros resultados.

Un servicio ampliamente utilizado puede ejecutar operaciones similares miles de millones de veces. Incluso una mejora modesta de eficiencia puede afectar los requisitos de energía, refrigeración y capacidad de un centro de datos.

Ahí surge la oportunidad de Broadcom. Su plataforma de aceleradores personalizados permite a un cliente optimizar en torno a la estructura del modelo, el movimiento de memoria, la precisión numérica y el comportamiento de red.

Las redes son igual de importantes porque procesadores más rápidos aún pueden esperar datos. El rendimiento útil de un clúster depende de la eficiencia con la que los chips comparten parámetros de modelos y resultados intermedios.

Nvidia aborda este problema con productos NVLink, InfiniBand y Ethernet. Broadcom compite principalmente mediante Ethernet, un estándar consolidado que permite a los operadores ensamblar infraestructura de múltiples proveedores.

El debate no se limita a redes propietarias frente a redes abiertas. Los compradores comparan latencia, gestión de congestión, integración de software, disponibilidad de componentes, familiaridad operativa y control.

Broadcom se beneficia cuando los clientes prefieren Ethernet y desean evitar depender de un único proveedor integral. Nvidia se beneficia cuando el rendimiento de una plataforma integrada supera esa preocupación.

Este es el cambio central del artículo. Broadcom puede ganar cuota del gasto en IA sin convencer al mercado más amplio de desarrolladores de abandonar Nvidia.

Sus clientes toman esa decisión internamente. Implementan aceleradores personalizados para cargas de trabajo seleccionadas mientras continúan comprando GPUs de Nvidia para investigación, servicios de nube externos o tareas menos predecibles.

Google sigue este enfoque mixto. Ofrece TPUs y también proporciona instancias de GPU de Nvidia a través de Google Cloud.

Meta presenta otro ejemplo. Broadcom anunció una asociación ampliada para respaldar los chips Meta Training and Inference Accelerator hasta 2029.

Las empresas afirmaron que el programa incluye un acelerador de dos nanómetros y múltiples generaciones de silicio. También describieron planes para implementaciones medidas en varios gigavatios.

Su asociación MTIA combina computación personalizada con tecnología Ethernet de Broadcom. Sin embargo, los planes de implementación siguen siendo prospectivos hasta que los clientes instalen y utilicen la capacidad prometida.

El modelo mixto ejerce presión sobre ambos proveedores líderes de GPU. Nvidia se enfrenta a clientes que buscan mayor control sobre los costes, el suministro y la arquitectura.

AMD afronta un desafío más sutil. Puede captar clientes que buscan un segundo acelerador comercial, aunque algunos de esos compradores podrían acabar trasladando sus mayores cargas de trabajo a chips internos.

Para AMD, Google ilustra tanto la oportunidad como la amenaza. Google Cloud puede ofrecer aceleradores de AMD, pero el propio programa TPU de Google reduce su necesidad de depender exclusivamente de GPUs externas.

Para Broadcom, cualquiera de las dos transiciones puede generar demanda. Un operador de nube que busca alternativas puede empezar con AMD y luego añadir procesadores personalizados a medida que las cargas de trabajo alcanzan una escala suficiente.

Esto no significa que todas las empresas de IA deban diseñar un chip. El silicio personalizado exige equipos experimentados, cargas de trabajo estables, grandes volúmenes de implementación y ciclos de planificación prolongados.

La mayoría de las empresas no reúnen esas condiciones. Seguirán alquilando capacidad o comprando sistemas basados en aceleradores comerciales.

Por tanto, los clientes a los que Broadcom puede dirigirse se concentran en la parte alta del mercado. Esa limitación aún puede sostener un negocio importante porque esas empresas concentran enormes presupuestos de infraestructura.

La posición ganadora no consiste en poseer todos los aceleradores. Consiste en participar en el gasto de clientes decididos a controlar una mayor parte de su pila informática.

Lo que la tesis de Broadcom todavía no demuestra

El rápido crecimiento de los ingresos confirma la demanda, pero no establece que Broadcom haya asegurado una ventaja permanente frente a Nvidia o AMD.

La primera incertidumbre es la concentración de clientes. Los programas de chips personalizados de Broadcom implican a un pequeño grupo de empresas con un enorme poder de compra.

Esos compradores pueden negociar agresivamente, retrasar implementaciones o redirigir recursos de ingeniería. Perder una hoja de ruta podría tener un efecto desproporcionado en el crecimiento futuro.

La segunda cuestión es el riesgo de desarrollo. Un acelerador personalizado empieza a desarrollarse años antes de su implementación, cuando las arquitecturas de modelos y los requisitos de memoria siguen siendo inciertos.

Un cambio inesperado en las técnicas de IA puede hacer que el hardware especializado se adapte mal a la carga de trabajo más reciente. Las GPUs de propósito general ofrecen protección frente a esa posibilidad.

La tercera cuestión es el software. Google puede respaldar el desarrollo de TPU mediante JAX, integraciones con PyTorch, XLA y recursos internos de ingeniería.

Los operadores más pequeños no pueden reproducir ese esfuerzo con facilidad. Un procesador con especificaciones atractivas sigue fracasando si los desarrolladores tienen dificultades para migrar modelos a él.

Google ha trabajado para reducir esta barrera. Su stack Ironwood admite optimización de compiladores y kernels personalizados en un sistema coordinado.

Sin embargo, las afirmaciones publicadas por Google sobre rendimiento reflejan su propio entorno de hardware y software. Siguen siendo limitadas las comparaciones independientes entre diversas cargas de trabajo de producción.

Por tanto, la elección entre AMD y Google no se limita a la capacidad máxima de cálculo. Incluye portabilidad, tiempo de desarrollo, utilización, disponibilidad en la nube y el coste de mantener el software.

AMD puede responder mejorando la compatibilidad de ROCm y ofreciendo aceleradores con una capacidad de memoria considerable. Nvidia puede reducir los costes de inferencia al tiempo que amplía sus sistemas integrados.

Ambas empresas también venden tecnología de redes o se asocian con proveedores de sistemas. Broadcom no puede asumir que su liderazgo en Ethernet y sus contratos de diseño personalizado seguirán sin competencia.

El suministro presenta otro riesgo. Broadcom depende de fabricantes externos y proveedores de empaquetado avanzado para convertir los diseños en procesadores terminados.

Los aceleradores personalizados compiten por la misma capacidad de fabricación de vanguardia utilizada por otros chips de IA. Las limitaciones de empaquetado pueden retrasar los ingresos incluso cuando la demanda de los clientes se mantiene fuerte.

La disponibilidad de energía se ha vuelto igual de importante. Una implementación a escala de gigavatios necesita electricidad, terreno, refrigeración, transformadores, redes y capacidad de construcción.

Un chip terminado no puede generar ingresos a partir de un centro de datos inacabado. Por tanto, los calendarios de infraestructura pueden dominar los calendarios de semiconductores.

La iniciativa de financiación de Broadcom de junio de 2026 ilustra tanto la oportunidad como la restricción. La empresa se unió a Apollo y Blackstone en una plataforma diseñada para permitir más de 20 gigavatios de implementaciones de IA hasta 2028.

La iniciativa comenzó con una operación inicial que respaldaba más de un gigavatio de capacidad asociada con Anthropic. Broadcom afirmó que sus XPUs y su tecnología de redes atenderían implementaciones para laboratorios de IA de frontera.

Esa plataforma de capacidad amplía el papel de Broadcom más allá del suministro de componentes. También revela cuánto capital y coordinación requieren los clústeres modernos de IA.

La capacidad anunciada no equivale a infraestructura instalada y productiva. La financiación, los permisos, la construcción, las conexiones a la red eléctrica y la demanda de los clientes deben alinearse.

Otra incertidumbre se refiere a la transparencia. Broadcom habla selectivamente de los clientes de aceleradores personalizados, y la confidencialidad limita la visibilidad sobre los términos contractuales o la economía de los programas.

Los inversores pueden observar los ingresos agregados de semiconductores de IA. No siempre pueden separar los aceleradores de cálculo de las redes ni identificar la contribución de cada cliente.

Eso hace que las previsiones simples sean poco fiables. Un trimestre sólido podría reflejar un cambio de plataforma duradero, una concentración temporal de envíos o ambas cosas.

El planteamiento del “ganador definitivo” también pasa por alto la expansión del mercado. Nvidia, AMD, Broadcom, los operadores de nube, los proveedores de memoria y las fundiciones pueden crecer todos cuando aumenta el gasto total en IA.

La victoria solo cobra sentido después de definir la competencia. Nvidia lidera la plataforma amplia de aceleradores, mientras Broadcom gana terreno en silicio personalizado e infraestructura Ethernet.

AMD sigue siendo más pequeña en aceleración de centros de datos, pero ofrece una alternativa estratégicamente importante. Google es a la vez comprador de nube y diseñador de chips internos.

Estas posiciones se solapan sin ser idénticas. La fortaleza de Broadcom proviene de atender a clientes cuyos incentivos difieren de los de los compradores convencionales de semiconductores.

La tesis se debilita si los chips personalizados incumplen repetidamente los calendarios, no mejoran la eficiencia útil o quedan confinados a experimentos internos. También se debilita si la economía de plataforma de Nvidia elimina la razón para especializarse.

Se fortalece cuando los clientes implementan generaciones sucesivas de chips. Los programas repetidos muestran que el silicio personalizado ha superado las pruebas operativas y ha merecido una inversión continuada.

El acuerdo de Broadcom con Meta se extiende hasta 2029, pero las generaciones prometidas aún deben convertirse en sistemas operativos. El crecimiento de los ingresos seguirá siendo la evidencia pública más clara de esa conversión.

Tres señales decidirán la carrera de chips de IA entre AMD y Google

La siguiente etapa depende de evidencia de implementación, compromisos repetidos de clientes y de si los proveedores comerciales de GPU reducen el argumento económico a favor de los chips personalizados.

La primera señal son los ingresos reportados por Broadcom en semiconductores de IA. La dirección esperaba 16.000 millones de dólares para su tercer trimestre fiscal de 2026.

Cumplir esa previsión respaldaría la afirmación de que la demanda está pasando de contratos de diseño aislados a volúmenes de producción más grandes. No alcanzarla plantearía dudas sobre el calendario de envíos y la concentración de clientes.

La composición importa tanto como el total. Los inversores deberían buscar indicios de que tanto los aceleradores personalizados como las redes contribuyen a través de varios clientes.

Un trimestre no puede demostrar durabilidad. Incrementos sucesivos vinculados a múltiples implementaciones ofrecerían una señal más sólida de un cambio amplio en la infraestructura.

La segunda señal es la adopción real de Google Ironwood y Meta MTIA. Google puso Ironwood a disposición general después de posicionarlo tanto para entrenamiento como para inferencia de gran volumen.

Google afirma que Ironwood ofrece diez veces el rendimiento máximo de TPU v5p y más de cuatro veces el rendimiento por chip de Trillium. También asegura una eficiencia energética casi treinta veces superior a la de su primer TPU de nube.

Se trata de mediciones del proveedor, no de resultados universales. La evidencia más sólida procederá de la disponibilidad para clientes, la utilización sostenida, el soporte de software y las implementaciones repetidas.

Google ya afirma que Gemini, Veo, Imagen y Claude de Anthropic utilizan TPUs para entrenamiento o servicio. Un uso más amplio por parte de clientes demostraría que el hardware personalizado puede extenderse más allá de las aplicaciones internas de un único propietario.

El programa MTIA de dos nanómetros de Meta ofrece una prueba independiente. El envío de múltiples generaciones hasta 2029 validaría la capacidad de Broadcom para respaldar a otro cliente a escala.

Los retrasos dejarían al descubierto los largos ciclos de desarrollo que hay detrás del silicio personalizado. También podrían devolver las cargas de trabajo a las plataformas de Nvidia o AMD.

La tercera señal es la respuesta de los proveedores comerciales de GPU. La plataforma Rubin de Nvidia apunta a reducir los costes de inferencia conservando su amplio entorno de software.

AMD impulsa los aceleradores MI350 con gran capacidad de memoria y una pila ROCm cada vez más madura. Una mejor portabilidad de software reduciría la penalización de elegir AMD frente a Nvidia.

Si Nvidia y AMD reducen los costes operativos totales más rápido de lo que avanzan los programas personalizados, la especialización se vuelve menos atractiva. Los clientes podrían preferir hardware adaptable que llegue según un calendario predecible.

Si los chips personalizados aportan mejoras de eficiencia repetidas en cargas de trabajo estables, la posición de Broadcom se fortalece. Los hyperscalers tendrían una razón más clara para financiar más diseños internos.

El resultado probable sigue siendo una infraestructura heterogénea. Los equipos de investigación utilizarán aceleradores flexibles, mientras que los grandes servicios de producción considerarán cada vez más hardware optimizado para tareas recurrentes.

Ese entorno favorece a los proveedores que pueden participar en varias arquitecturas. Las capacidades de Broadcom en computación, conmutación, conectividad y diseño se ajustan a ese requisito.

También impide una conclusión sencilla de que el ganador se lo lleva todo. Nvidia puede seguir siendo la plataforma más grande mientras Broadcom capta una parte creciente de la infraestructura personalizada.

AMD puede ganar cuota en aceleradores comerciales incluso mientras Google amplía los TPUs. Google puede ofrecer las tres opciones a través de su nube mientras favorece sus propios chips internamente.

El debate sobre el hardware de IA de AMD y Google trata, en última instancia, del control. Los compradores deben decidir si la propiedad de las cargas de trabajo justifica el coste y la complejidad de poseer más silicio.

Broadcom se ha posicionado como la empresa que ayuda a responder afirmativamente. Sus ingresos sugieren que varios clientes importantes ya han llegado a esa conclusión.

Los próximos uno a tres meses deberían aclarar si esos compromisos se están acelerando. Observe los ingresos de IA de Broadcom, la disponibilidad de producción de chips personalizados y la economía de inferencia de los proveedores de GPU.

Para desarrolladores y compradores empresariales, la pregunta no es qué logo gana cada benchmark. Pregúntese dónde sus cargas de trabajo necesitan flexibilidad, dónde se repiten y quién controla la pila de software.

Esa decisión determinará si el próximo despliegue se realiza en hardware de Nvidia o AMD, en Google TPUs o en otro acelerador personalizado. También determinará qué parte de la infraestructura resultante pasa por Broadcom.